[論文レビュー] Traffic Graph Convolutional Recurrent Neural Network: A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting

Zhiyong Cui, Kristian Henrickson+3 more|arXiv (Cornell University)|Feb 20, 2018

Traffic Prediction and Management Techniques参考文献 48被引用数 100

ひとこと要約

論文は、交通グラフ畳み込み長短期記憶（TGC-LSTM）フレームワークを提案し、道路網をグラフとしてモデリングして時空間の交通パターンを学習し、ネットワーク全体の交通状態を予測する。グラフ畳み込みの重みと特徴を解釈性のために正則化する。

ABSTRACT

Traffic forecasting is a particularly challenging application of spatiotemporal forecasting, due to the time-varying traffic patterns and the complicated spatial dependencies on road networks. To address this challenge, we learn the traffic network as a graph and propose a novel deep learning framework, Traffic Graph Convolutional Long Short-Term Memory Neural Network (TGC-LSTM), to learn the interactions between roadways in the traffic network and forecast the network-wide traffic state. We define the traffic graph convolution based on the physical network topology. The relationship between the proposed traffic graph convolution and the spectral graph convolution is also discussed. An L1-norm on graph convolution weights and an L2-norm on graph convolution features are added to the model's loss function to enhance the interpretability of the proposed model. Experimental results show that the proposed model outperforms baseline methods on two real-world traffic state datasets. The visualization of the graph convolution weights indicates that the proposed framework can recognize the most influential road segments in real-world traffic networks.

研究の動機と目的

• 時変パターンと複雑な空間依存性を考慮したネットワーク規模の交通予測の正確性の課題を動機づけ、対処する。
• 道路間の相互作用を捉えるグラフベースのディープラーニングフレームワークを提案し、ネットワーク全体の交通状態を予測する。
• 物理的ネットワークトポロジーに基づく交通グラフ畳み込みを定義し、それをスペクトルグラフ畳み込みと関連づける。
• 解釈性を高めるために、グラフ畳み込み重み（L1）と特徴量（L2）を正則化する。

提案手法

• 交通ネットワークをグラフとして表現し、道路間の相互作用をモデリングする。
• 時空間依存性を学習するためのTraffic Graph Convolutional Long Short-Term Memory (TGC-LSTM) を導入する。
• 物理的トポロジーに合わせた交通グラフ畳み込みを定義し、それとスペクトルグラフ畳み込みとの関係を論じる。
• 解釈性を高めるため loss にグラフ畳み込み重みに対して L1 ノルム、特徴量に対して L2 ノルムを適用する。
• 実世界の二つの交通状態データセットでモデルを評価し、ベースライン手法と比較する。

実験結果

リサーチクエスチョン

• RQ1 グラフ畳み込みリカレントアーキテクチャは、ネットワーク規模の交通データにおける空間的・時間的依存性の両方を効果的に捉えられるか。
• RQ2 トポロジーを情報として取り入れたグラフ畳み込みは、ベースラインより予測精度を改善するか。
• RQ3 グラフ畳み込みの重みと特徴量の正則化は、性能を犠牲にせずモデルの解釈性を高めるか。
• RQ4 提案フレームワークは、実世界の交通データセットでベースライン手法と比較してどう動作するか。

主な発見

• 提案する TGC-LSTM フレームワークは、二つの実世界の交通状態データセットでベースライン手法を上回る。
• モデルが学習したグラフ畳み込みの重みは影響力のある道路区間と一致し、意味のある解釈性を示す。
• モデルは道路間の相互作用を捉え、ネットワーク全体の交通状態を予測する際に精度を向上させる。
• 重みと特徴量の正則化は解釈性を助けつつ予測性能を維持する。